姜 斌，程月華，孫 顥，黃金龍

(南京航空航天大學自動化學院，南京 211106)

0 引 言

導彈是現(xiàn)代化戰(zhàn)爭中負責遠程精確打擊和戰(zhàn)略威懾任務(wù)的主要武器之一,巡航導彈由于其機動性能好、命中精度高等優(yōu)勢,在局部戰(zhàn)爭中發(fā)揮的影響力正在不斷提升[1-3]。

舵回路系統(tǒng)作為導彈姿態(tài)控制環(huán)節(jié)中的關(guān)鍵部分,舵回路故障將直接影響導彈控制性能,造成飛行失穩(wěn)甚至墜落[4]。開展舵回路系統(tǒng)故障診斷研究,是確保導彈可靠飛行、完成戰(zhàn)斗任務(wù)的重要保障。此外,舵回路系統(tǒng)結(jié)構(gòu)復雜,涉及部件眾多,且多個故障類型難以區(qū)分,給故障診斷工作帶來了許多困難。因此實現(xiàn)導彈舵回路系統(tǒng)的故障辨識、定位及估計,實時監(jiān)測系統(tǒng)的運行狀態(tài),對系統(tǒng)發(fā)生的故障及時進行識別,是提高導彈舵回路系統(tǒng)可靠性和安全性的有效途徑[5]。

近年來,學者們在基于模型的導彈故障診斷方面開展了大量研究工作。曹祥宇等[6]借鑒解析余度的思想,利用導彈執(zhí)行機構(gòu)功能的冗余特性,針對導彈姿態(tài)控制系統(tǒng)的滾轉(zhuǎn)、俯仰、偏航三個通道進行建模,并根據(jù)殘差方程式獲得的殘差來進行故障診斷。針對導彈系統(tǒng)導引頭與引信故障,姜秋華[7]以知識處理技術(shù)為基礎(chǔ),結(jié)合導彈系統(tǒng)故障樹作為初始故障數(shù)據(jù)庫,通過對比導彈系統(tǒng)實際測試值與數(shù)據(jù)庫原先存儲的相應指標參數(shù)(如頻率、延時時間等指標)是否在正常范圍內(nèi)以實現(xiàn)故障診斷。受限于實際飛行過程中的不確定性因素和系統(tǒng)的非線性特性,該方法往往難以精確構(gòu)建導彈飛行動力學模型,因此,基于模型的故障診斷方法難以實際應用于導彈系統(tǒng)。

隨著人工智能技術(shù)的發(fā)展,基于數(shù)據(jù)驅(qū)動的故障診斷方法越來越受到專家學者們的關(guān)注。Qin等[8]提出了一種粒子群優(yōu)化混合果蠅算法對反向傳播神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化,解決了反向傳播神經(jīng)網(wǎng)絡(luò)偏差過大的問題,并將其用于方向舵的故障診斷算法。Ni等[9]針對導彈故障信號易受噪聲干擾的特點,采用小波變換對采集到的導彈故障信號進行降噪處理,并通過支持向量機對故障特征進行分類。崔乃剛等[10]針對飛航導彈,提出了一種基于多層次神經(jīng)網(wǎng)絡(luò)故障診斷和考慮飽和約束的在線再分配容錯控制方法。在進行故障診斷時,首先采用卷積神經(jīng)網(wǎng)絡(luò)判斷故障狀態(tài)及發(fā)生部位,然后利用循環(huán)神經(jīng)網(wǎng)絡(luò)進行故障程度參數(shù)辨識。仿真結(jié)果表明該方法能夠?qū)崿F(xiàn)執(zhí)行機構(gòu)故障條件下飛行性能的保持。

魏曉絳等[11]針對導彈發(fā)動機中遙測數(shù)據(jù)難以提取故障特征的情況,采用小波分析獲得信號的局部奇異值確定故障發(fā)生時刻,并利用模極大值去噪法處理原始數(shù)據(jù),作為反向傳播神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入,實現(xiàn)導彈系統(tǒng)故障辨識。李偉等[12]針對傳感器故障導致導彈飛行參數(shù)與實際值產(chǎn)生較大偏差的現(xiàn)象,采用反向傳播神經(jīng)網(wǎng)絡(luò)預測正常導彈氣動模型下的傳感器輸出值,并與故障數(shù)據(jù)進行比對實現(xiàn)導彈傳感器的故障診斷。

在故障診斷模型中,實時性是極為重要的一個指標,即當故障發(fā)生后,診斷模型應在盡可能短的時間內(nèi)檢測到故障的發(fā)生,以避免故障傳播現(xiàn)象的發(fā)生,減小故障影響[13];此外,為了給故障診斷后續(xù)的容錯控制及故障重構(gòu)提供充分信息,集故障辨識、定位與估計于一體的導彈舵回路系統(tǒng)故障診斷框架也亟待設(shè)計。綜上,由于現(xiàn)有的研究工作鮮有針對實時性的研究,且學者們沒有將故障辨識、定位與估計形成一套系統(tǒng)的框架,此外大多智能故障診斷算法的準確率難以保證,本文提出一種基于LSTM-FCN的導彈舵回路系統(tǒng)故障定位、辨識與估計算法。首先搭建LSTM自編碼器模型,提取舵回路系統(tǒng)飛行狀態(tài)信號故障殘差;然后,結(jié)合循環(huán)與卷積神經(jīng)網(wǎng)絡(luò)模型,提出基于LSTM-FCN的故障分類方法,建立導彈舵回路系統(tǒng)故障辨識、定位與估計模型,再由SE模塊附加特征權(quán)值信息,實現(xiàn)了故障類型、位置、幅值的精確診斷;最后通過數(shù)字仿真與半物理仿真平臺驗證了所提出算法的有效性。

1 問題描述

1.1 導彈系統(tǒng)模型

定義導彈質(zhì)心平動方程如下

(1)

式中:m代表導彈質(zhì)量;P代表發(fā)動機推力;g代表重力加速度;X,Y,Z分別代表阻力、側(cè)力、升力;α,β,θ,ψV,γV分別代表攻角、側(cè)滑角、彈道傾角、彈道偏角和速度滾轉(zhuǎn)角;V代表地速。

定義彈體坐標系下導彈繞質(zhì)心轉(zhuǎn)動的動力學方程

(2)

式中:Mx1,My1,Mz1為導彈所有外力對于質(zhì)心的力矩沿彈體坐標系各軸的分量;Jxx,Jyy,Jzz為導彈各軸轉(zhuǎn)動慣量;wx1,wy1,wz1為彈體坐標系相對地面坐標系的轉(zhuǎn)動角速度w在彈體坐標系下各軸的分量。

此外,本文研究的導彈舵面分配為X型布置方案,如圖1所示,采用四個舵機共同完成對于導彈滾轉(zhuǎn)、俯仰、偏航三個姿態(tài)的控制[14]。

圖1 導彈舵面分配示意圖Fig.1 Missile rudder allocation

1.2 問題分析

一般而言,舵回路系統(tǒng)發(fā)生的典型故障類型主要包含卡死、松浮和缺損三種[15]。導彈舵回路系統(tǒng)不同類型、位置與幅值的故障在閉環(huán)系統(tǒng)中傳播且相互影響、難以區(qū)分,給故障辨識、定位與估計模型的建立帶來難題。學者們針對以上幾類故障的辨識與定位開展了大量的相關(guān)研究,但目前針對導彈系統(tǒng)的主流故障診斷方法存在以下局限:

1) 目前主流的研究僅針對故障診斷的單一環(huán)節(jié)開展,針對如何將辨識、定位與估計融為一體的研究工作有待深入,且一體化框架下的網(wǎng)絡(luò)搭建設(shè)計、參數(shù)調(diào)整、大規(guī)模數(shù)據(jù)處理與應用等難點待解決;

2) 準確率與實時性在故障診斷模型中通常難以同時保證,導彈系統(tǒng)作為高科技作戰(zhàn)武器,需要快速且及時地診斷出舵回路系統(tǒng)發(fā)生的故障。

針對上述問題,本文擬提出一種基于LSTM-FCN網(wǎng)絡(luò)的舵回路系統(tǒng)故障診斷方案,利用導彈飛行狀態(tài)數(shù)據(jù)作為輸入,經(jīng)過殘差生成后,基于LSTM-FCN網(wǎng)絡(luò)實現(xiàn)舵回路系統(tǒng)快速準確的故障辨識、定位以及估計,最終輸出導彈舵回路系統(tǒng)的故障診斷結(jié)果。

2 舵回路系統(tǒng)故障診斷框架

2.1 舵回路系統(tǒng)故障診斷算法框架

本節(jié)針對導彈舵回路系統(tǒng)故障數(shù)據(jù)參量耦合且故障初期階段因特征不明顯難以診斷的問題,提出了一種基于LSTM自編碼器的故障特征提取與LSTM-FCN相結(jié)合的故障診斷算法。

LSTM-FCN網(wǎng)絡(luò)結(jié)合了FCN的精確分類以及LSTM適合時間序列數(shù)據(jù)的特性,使用LSTM-FCN神經(jīng)網(wǎng)絡(luò)解決導彈舵回路系統(tǒng)故障辨識、定位與估計的優(yōu)勢可以總結(jié)為以下幾點:

1)FCN網(wǎng)絡(luò)能夠高效地捕捉舵回路系統(tǒng)飛行狀態(tài)信號的差別以實現(xiàn)分類,與LSTM結(jié)合更加適合處理復雜的時間序列數(shù)據(jù)分類任務(wù);

2)LSTM-FCN網(wǎng)絡(luò)面對不同的輸入數(shù)據(jù)類型都有著較好的分類效果,因此,使用該網(wǎng)絡(luò)建立導彈舵回路系統(tǒng)故障的辨識、定位與估計框架,能夠顯著減少額外的數(shù)據(jù)處理步驟,降低計算負擔;

3)FCN網(wǎng)絡(luò)相比CNN網(wǎng)絡(luò)避免了重復存儲和計算卷積的問題,具有更好的計算效率,面向?qū)崟r性需求較高的導彈舵回路系統(tǒng)故障診斷任務(wù)具有良好的表現(xiàn)[16]。

綜上,LSTM-FCN網(wǎng)絡(luò)具有分類準確率高、不限制輸入數(shù)據(jù)類型、計算效率高等特點,適用于解決導彈舵回路系統(tǒng)故障定位、辨識與估計任務(wù);該算法在故障檢測獲得故障時間后,實現(xiàn)導彈舵回路系統(tǒng)的故障辨識、定位以及估計操作。

導彈舵回路系統(tǒng)未發(fā)生故障時,正常數(shù)據(jù)通過LSTM自編碼器的映射關(guān)系未發(fā)生變化,殘差接近于0;導彈舵回路系統(tǒng)發(fā)生故障時,異常數(shù)據(jù)信號無法經(jīng)由LSTM自編碼器得到有效重構(gòu),輸出殘差包含故障特征信息。從這個思想出發(fā),使用LSTM自編碼器生成殘差反映數(shù)據(jù)特征,并輸入LSTM-FCN網(wǎng)絡(luò)中進行分類,最終實現(xiàn)故障的辨識、定位與估計,如圖2所示。

圖2 故障診斷流程圖Fig.2 Fault diagnosis framework

1)基于LSTM自編碼器故障檢測算法獲得故障發(fā)生時間tf,選取[tf-10 ms,tf+260 ms]的數(shù)據(jù)作為初始故障數(shù)據(jù);

2)將初始故障數(shù)據(jù)輸入LSTM自編碼器,對自編碼器的輸入與輸出數(shù)據(jù)進行比對生成殘差;

3)將生成的殘差輸入故障辨識模塊中,輸出故障類型,即卡死、松浮、缺損故障;

4)選取對應故障類型的故障定位模型(卡死/松浮/缺損故障定位模型)輸出故障舵面,即舵面編號1、2、3、4;

5)當輸出故障類型為缺損故障時,選取對應故障舵面的故障估計模型(1號/2號/3號/4號舵面缺損故障估計模型)并輸出其缺損程度,一共分為5級,定義如表1所示。

表1 故障程度與舵面剩余面積的關(guān)系Table 1 The relationship between the fault degree and the remaining area of the rudder surface

此處需要注意的是,為了保證故障診斷模型的實時性,故障辨識、故障定位與故障估計模型統(tǒng)一采用LSTM-FCN網(wǎng)絡(luò)搭建,且輸入數(shù)據(jù)形式保持一致以減小運算復雜度。

2.2 基于LSTM自編碼器的故障殘差生成

殘差生成是故障診斷中的基礎(chǔ)問題,目的是在充分利用導彈飛行狀態(tài)數(shù)據(jù)時序信息的同時,提取能夠?qū)煌收项愋?、位置與程度的故障特征[17]。本節(jié)提出了基于LSTM自編碼器的故障殘差生成方法,搭建LSTM自編碼器網(wǎng)絡(luò)對狀態(tài)數(shù)據(jù)進行預測,并生成殘差獲得故障特征。

1)自編碼器數(shù)學模型

為了實現(xiàn)導彈舵回路系統(tǒng)準確的殘差生成,使用自編碼器對飛行狀態(tài)信號進行重構(gòu),其不需要故障數(shù)據(jù)用來訓練,且具有良好的重構(gòu)性能以滿足舵回路系統(tǒng)的殘差生成需求。

自編碼器作為一種無監(jiān)督學習方法,由輸入層、隱藏層以及輸出重構(gòu)層構(gòu)成[18],其主要目標為將輸入數(shù)據(jù)從高維空間壓縮到低維空間,實現(xiàn)輸入到編碼的映射,構(gòu)建出輸入數(shù)據(jù)的主要特征。解碼網(wǎng)絡(luò)的主要目標為實現(xiàn)近似輸出,通過將隱藏層低維數(shù)據(jù)映射到高維空間進行重構(gòu)并使得誤差最小化以達到復原原數(shù)據(jù)的目的。

自編碼器訓練的本質(zhì)在于優(yōu)化網(wǎng)絡(luò)參數(shù)(權(quán)值矩陣與偏執(zhí)向量)以使得輸出ym盡可能與輸入xm相似,通過最小化重構(gòu)誤差Jres來保證相似性,重構(gòu)誤差如下所示:

(3)

由于僅采用正常數(shù)據(jù)點對自編碼器模型進行訓練,經(jīng)過訓練后,自編碼器能夠重建正常數(shù)據(jù)點,并與原始數(shù)據(jù)之間保持一個較小誤差,而當其重構(gòu)一個異常數(shù)據(jù)點時,誤差會遠大于正常情形。

2)LSTM自編碼器設(shè)計

自編碼器的目標是提取數(shù)據(jù)中最重要的特征和結(jié)構(gòu),而結(jié)合LSTM網(wǎng)絡(luò),其可以捕捉導彈飛行狀態(tài)數(shù)據(jù)中的時序關(guān)系,并以降噪的低維形式進行重構(gòu),最終實現(xiàn)導彈數(shù)據(jù)的殘差生成。

LSTM自編碼器仍然是一個多層次結(jié)構(gòu),其編碼器和解碼器都為LSTM模型[19]?；诰幋a器部分對導彈狀態(tài)冗余信息進行壓縮,從而獲得系統(tǒng)狀態(tài)信號的最小表達,并通過解碼器部分根據(jù)最小表達解壓反算出原信號[20]。LSTM自編碼器的結(jié)構(gòu)如圖3所示。

圖3 LSTM自編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of LSTM-autoencoder

基于LSTM自編碼器模型的故障特征信息提取的具體流程為:

1)采集10組導彈系統(tǒng)正常飛行狀態(tài)數(shù)據(jù)作為原始數(shù)據(jù)集,每組數(shù)據(jù)包含10 000個數(shù)據(jù)點,即總共100 000個健康樣本點,數(shù)據(jù)步長為5,將原始數(shù)據(jù)分為訓練集與測試集(測試集占比30%),其中歸一化采用魯棒歸一化方式進行。

2)搭建LSTM自編碼器,其中隱藏層節(jié)點數(shù)設(shè)置為32、16、16、32,共計四層網(wǎng)絡(luò),每層網(wǎng)絡(luò)采用ReLU激活函數(shù)并基于adam優(yōu)化器進行訓練,采用均方誤差(MSE)作為指標,其數(shù)學表達為

(4)

圖4 LSTM自編碼器的故障特征信息提取結(jié)果Fig.4 Extraction results of fault feature information from LSTM autoencoder

從圖4可以看出,無故障情況下,LSTM自編碼器對于滾轉(zhuǎn)角數(shù)據(jù)擬合效果較好;在故障情形下,樣本點間的映射關(guān)系被破壞,故障數(shù)據(jù)無法經(jīng)由自編碼器得到有效重構(gòu),殘差波動幅度有明顯變化,不同故障類型在重構(gòu)后的殘差分布具有明顯的差異特性,表明LSTM自編碼生成的殘差能夠成功反映故障類型。同理,如圖5所示,不同故障位置、不同故障幅值情況下殘差的概率密度分布也不盡相同,證明了故障特征提取方法的有效性,對殘差進行故障特征提取,可以明顯區(qū)分故障信息,建立故障分類模型,為后文利用LSTM-FCN網(wǎng)絡(luò)準確實現(xiàn)故障診斷奠定基礎(chǔ)。

圖5 不同舵面故障情況下的殘差與概率密度分布Fig.5 Residual and probability density distribution under different rudder surface fault conditions

3 基于LSTM-FCN的舵回路故障診斷算法

本節(jié)將基于LSTM自編碼器提取的故障殘差特征,應用LSTM-FCN網(wǎng)絡(luò)結(jié)合SE模塊,進行導彈舵回路系統(tǒng)的故障辨識、定位與估計研究。

3.1 全卷積神經(jīng)網(wǎng)絡(luò)

全卷積神經(jīng)網(wǎng)絡(luò)(FCN)作為傳統(tǒng)CNN的拓展,相較于CNN,其將網(wǎng)絡(luò)中的全連接層全部替換為卷積層,其使用了輸入數(shù)據(jù)的所有局部特征,而卷積層輸入尺寸是任意的,其只連接輸入數(shù)據(jù)中的一個局部區(qū)域,并且在卷積層中的神經(jīng)元共享參數(shù)[21]。

針對CNN計算效率不足以及存儲開銷大的缺點,FCN的全卷積層設(shè)計可以在一定程度上提升運算速度。FCN在處理時間序列的分類問題上有著較好的表現(xiàn),作用相當于一個特征提取器,數(shù)學描述定義如下

yt=Frelu(FBN(Wfcn⊙xt+bfcn))

(5)

式中:Wfcn,xt,bfcn分別對應FCN在t時刻的權(quán)重矩陣、輸入向量以及偏置量;⊙表示卷積運算,并且在每個卷積模塊后都會附加一個批量標準化層(BN)和ReLU激活函數(shù)層,用Frelu表示;BN層的作用為沿著通道維度計算均值與方差并對輸入數(shù)據(jù)進行歸一化操作,用FBN表示,其使得輸入在規(guī)范化后擁有大致相同的權(quán)重分布,可加快模型收斂速度以及提高泛化能力。

3.2 LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)

圖6為LSTM-FCN網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖,由LSTM模塊與FCN模塊共同構(gòu)成,兩模塊經(jīng)過連接處理后,輸入Softmax中進行故障診斷分類操作。假設(shè)輸入多變量時間序列維度為(n,ΔT,m),其中n為數(shù)據(jù)集樣本個數(shù),ΔT為時間步長,m為樣本變量個數(shù)。

圖6 多變量LSTM-FCN網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Multivariate LSTM-FCN network structure

本文在FCN網(wǎng)絡(luò)中添加了壓縮激發(fā)(SE)模塊,其可以通過計算所有通道特征權(quán)值信息,增強或削弱相應的通道信息影響以提高特征辨別能力,實現(xiàn)網(wǎng)絡(luò)自我學習能力的改善,提高故障診斷結(jié)果的精度,進而使得網(wǎng)絡(luò)能夠通過學習全局信息來有選擇性地強化有用的特征并對不明顯的特征進行抑制[22]。

1)LSTM模塊

在舵回路系統(tǒng)故障辨識與定位網(wǎng)絡(luò)中添加LSTM模塊,可以捕捉飛行時間序列數(shù)據(jù)中的時序信息,提升故障診斷精度。

所提LSTM模塊中,輸入層數(shù)為1,隱藏層節(jié)點數(shù)為64。當輸入數(shù)據(jù)進入LSTM單元時,首先需要進行維度打亂操作,其可以在一定程度上提升模型的訓練性能,使得模型能夠?qū)W習到較長時間序列中的特征關(guān)系[23];此外還使得LSTM輸入數(shù)據(jù)被賦予了每個變量的全局信息,減小了運算時間。在LSTM模塊最后,為了減小過擬合現(xiàn)象,附加一個Dropout層。

2)FCN模塊

FCN模塊的加入使得網(wǎng)絡(luò)能夠快速實現(xiàn)分類操作以實現(xiàn)舵回路系統(tǒng)的故障辨識與定位,本文采用時域卷積網(wǎng)絡(luò)(Temporal convolutions network,TCN)代替?zhèn)鹘y(tǒng)的CNN進行時序數(shù)據(jù)建模以達到更好的特征提取效果。

FCN模塊由三層TCN構(gòu)成,其中每層濾波器數(shù)量設(shè)置為128、256、128,卷積核尺寸定義為8、5、3,同時在每個卷積層后增加一個BN層,并隨后采用ReLU函數(shù)進行激活。

此外,由于SE模塊的特征辨識增強特性,本論文在前兩層TCN中設(shè)計附加層SE以提高模型效能,SE模塊作為一個子結(jié)構(gòu),可以通過網(wǎng)絡(luò)根據(jù)損失學習特征權(quán)重,在導彈故障診斷任務(wù)中,可以在滿足計算實時性的條件下極大程度提升智能診斷的準確性,SE模塊將FCN模塊輸出的導彈飛行狀態(tài)時序數(shù)據(jù)如下式進行壓縮操作

(6)

式中:T為時間維度;uc(t)為TCN網(wǎng)絡(luò)的輸出,通過sigmoid門機制完成激發(fā)操作并在卷積通道維度上重新分配原始特征的權(quán)重,以提高故障診斷的精度。

當進行三層卷積操作后,本文使用GAP層來代替基礎(chǔ)的全連接層,其作用為對于網(wǎng)絡(luò)從結(jié)構(gòu)上做正則化以防止過擬合現(xiàn)象的發(fā)生,并減小FCN模塊輸出參數(shù)的個數(shù)以便于之后的級聯(lián)操作。采用上述FCN模塊,結(jié)合一維卷積、池化和批量標準化操作,可以從飛行狀態(tài)信號中提取關(guān)鍵故障特征,逐級捕獲時序數(shù)據(jù)中的底層、高層信息。

3)模塊級聯(lián)與Softmax分類

基于LSTM模塊與FCN模塊提取時序數(shù)據(jù)中不同維度的特征信息,經(jīng)過級聯(lián)處理后,可以獲得更為精確的故障特征作為故障診斷模型的分類依據(jù),再輸入Softmax模塊中進行數(shù)據(jù)集的分類操作。

Softmax是多分類問題的一種常用解決方法,應用邏輯回歸預測每種類別的概率[24]。假設(shè)一組輸入數(shù)據(jù)為{(x1,y1),(x2,y2),…,(xn,yn)},其中y1,…,yn∈{l1,l2,…,lk},lj,j=1,2,…,k,代表數(shù)據(jù)的類別,n個數(shù)據(jù)對應有k種類別,則經(jīng)由Softmax計算輸入數(shù)據(jù)xi屬于類別lj的概率公式為

(7)

式中:θi為第i個類別對應的訓練參數(shù)。對于故障診斷分類問題而言,選取最終預測概率值最高的類別作為結(jié)果并輸出。

4)損失函數(shù)設(shè)計

針對故障診斷分類問題,損失函數(shù)L基于交叉熵進行設(shè)計

(8)

式中:N為數(shù)據(jù)集樣本個數(shù),p(yi)代表對應于某個類別i的概率。

4 實驗設(shè)計與算法驗證

4.1 舵回路數(shù)字仿真模型

舵回路數(shù)字模型輸入信號為舵偏角控制指令,輸出信號為舵實際偏轉(zhuǎn)角度。舵回路模型采用二階線性環(huán)節(jié)進行模擬,如圖7所示。

圖7 舵回路數(shù)字模型Fig.7 Digital model of rudder loop

其中位置限幅范圍為[-45°,45°],速度限幅范圍為60 (°)/s,其中二階線性環(huán)節(jié)的傳遞函數(shù)定義為

(9)

4.2 實驗模型參數(shù)與評價指標

1)實驗數(shù)據(jù)集與參數(shù)設(shè)置

表2 數(shù)據(jù)集統(tǒng)計信息Table 2 Dataset statistics

4.3 仿真結(jié)果分析

考慮到舵回路系統(tǒng)智能故障診斷模型需要準確的仿真數(shù)據(jù)提供支持,本文以Simulink為仿真平臺,搭建導彈系統(tǒng)數(shù)字模型,其包含彈體、發(fā)動機、舵回路、大氣環(huán)境、控制與制導模塊。此外,為了分析實際環(huán)境下條件不確定性對故障診斷模型的影響,本節(jié)考慮將導彈系統(tǒng)氣動參數(shù)與導彈質(zhì)量視為不確定性條件,探究在條件不確定性小于10%的情形下,數(shù)據(jù)變化對故障診斷模型診斷效果的影響,即在仿真中分別設(shè)置氣動參數(shù)C與質(zhì)量M的不確定性偏差為±10%時,分析條件不確定性對故障診斷的影響。

本文使用混淆矩陣來直觀地顯示算法仿真結(jié)果,其作為機器學習中分類模型的情況總結(jié)表,以矩陣的形式表明分類模型的預測輸出標簽與實際樣本標簽間的關(guān)系,其中矩陣的列為預測標簽值,行為實際標簽值?；煜仃噷蔷€的值代表分類正確的數(shù)量占該類樣本的比例,而非對角線元素則表示被誤判的部分[25]。

1)故障辨識結(jié)果

首先對故障辨識模型進行仿真,圖8為故障辨識模型的混淆矩陣圖,經(jīng)過100次訓練后,訓練誤差降至0.05以下,從混淆矩陣中可知,除去3%的卡死故障樣本點被誤判為缺損故障,其余故障類型都能被正確辨識,表明了故障辨識方法的有效性。

圖8 故障辨識模型混淆矩陣Fig.8 Fault identification confusion matrix

2)故障定位結(jié)果

接著基于故障辨識結(jié)果,對卡死、松浮以及缺損故障定位模型進行訓練,圖9為三個故障定位模型的混淆矩陣圖,從圖中可以看出,三種故障下的故障定位結(jié)果準確率均為100%,即所有故障舵面全部被精準定位,驗證了基于LSTM-FCN分類的精確性。

圖9 故障定位模型混淆矩陣Fig.9 Fault location confusion matrix

3)故障估計結(jié)果

最后當故障辨識結(jié)果為缺損故障時,基于故障定位模型輸出的故障舵面編號,選擇對應的某個舵面的故障估計模型進行預測,圖10分別為四個舵面故障估計模型的混淆矩陣圖,由混淆矩陣可知,除去由于邊界導致近鄰幅值標簽被誤判的情況,四個故障估計模型的估計準確率均能達到98.5%以上,表明能夠較好地完成故障幅值估計任務(wù)。

圖10 舵面缺損故障估計模型混淆矩陣Fig.10 Confusion matrix of rudder surface defect estimation

4)故障診斷模型評價指標結(jié)果

圖11(a)(b)(c)分別表示故障辨識、定位與估計模型的評價指標結(jié)果,從圖中可知本節(jié)所提方法具有良好的分類性能,其中三個故障定位模型的精確率、召回率與F1分數(shù)全都為1,其余分類模型的精確率最低為0.987,基本都在0.99以上,表明了基于LSTM自編碼器提取故障特征再輸入LSTM-FCN網(wǎng)絡(luò)故障診斷的方法能夠?qū)崿F(xiàn)故障辨識定位與估計的準確性要求。

圖11 故障診斷模型指標分數(shù)Fig.11 Fault diagnosis model metric scores

圖11(d)為不同方法應用于故障辨識模型時的評價指標結(jié)果,其中殘差神經(jīng)網(wǎng)絡(luò)(ResNet),多尺度調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)(MCNN)為時間序列分類問題中的常用方法。從圖中可以看出,本節(jié)所提算法的精確率、召回率與F1分數(shù)都優(yōu)于其余算法。

由圖11可知,本文提出的改進的分類模型較傳統(tǒng)算法有著更高的準確率,對比ResNet與MCNN模型,本章所提算法的故障分類精確率分別提升了將近8%與10%,使得導彈舵回路系統(tǒng)的故障類型、故障位置和故障幅值都得到了準確分類,解決了故障初期階段特征不明顯難以診斷的問題。

表3為條件不確定情況下故障辨識、定位與估計準確率,由表可知在模型發(fā)生10%偏差情況下,故障診斷精確率有所下降,但仍維持在98%以上,表明了本文所提故障辨識、定位、估計模型的有效性,在10%的不確定性偏差以內(nèi)能夠保持較高的分類精確率,證明了算法的工程實用性。

表3 條件不確定情況下故障辨識、定位與估計準確率Table 3 Accuracy of fault identification, location and estimation under uncertainty

圖12為本節(jié)所提算法的平均時間復雜度,即基于在線數(shù)據(jù)進行實時故障診斷,利用已訓練好的故障診斷模型多次仿真計算故障辨識、定位、估計模型的運行時間,再取平均值作為最終的時間復雜度衡量指標,需要注意的是,所有故障診斷模型基于GPU3080條件進行仿真運行。從圖中可以看出,由于故障辨識、卡死、估計模型全部基于LSTM自編碼器與LSTM-FCN方法構(gòu)建,因而平均時間復雜度基本保持一致,位于40 ms左右,在此基礎(chǔ)上,加入故障檢測時間以及故障診斷所需數(shù)據(jù)集花費的時間,合計故障診斷時間大致在400 ms,滿足導彈舵回路系統(tǒng)故障診斷的實時性要求。

圖12 故障診斷模型時間復雜度Fig.12 Time complexity of fault diagnosis

4.4 半物理仿真平臺算法驗證與結(jié)果分析

1)半物理仿真平臺

為驗證本文所提故障辨識、定位、估計模型的工程適用性,本小節(jié)基于導彈舵回路系統(tǒng)半物理仿真平臺,結(jié)合飛行狀態(tài)數(shù)據(jù)驗證診斷模型的有效性。

導彈舵回路系統(tǒng)半物理仿真平臺架構(gòu)包括導彈系統(tǒng)半物理平臺、數(shù)據(jù)庫與上位機三個模塊。其中導彈舵回路系統(tǒng)半物理平臺由Simulink數(shù)字仿真平臺、電機驅(qū)動器、伺服電機、舵面及舵面加載系統(tǒng)構(gòu)成,圖13為半物理平臺中的舵面環(huán)節(jié)。

圖13 半物理仿真回路示意圖Fig.13 Schematic diagram of semi-physical simulation loop

舵回路系統(tǒng)包含導彈X舵的四個舵面、舵面加載環(huán)節(jié)以及電機系統(tǒng)。半物理平臺負責導彈實際舵回路系統(tǒng)的模擬,生成飛行狀態(tài)數(shù)據(jù)等信息并通過數(shù)據(jù)庫傳輸至上位機,以供故障診斷模型及可視化界面使用。上位機系統(tǒng)由初始化、故障注入、故障診斷以及可視化模塊構(gòu)成,通過故障診斷模型處理導彈系統(tǒng)飛行狀態(tài)數(shù)據(jù)與舵回路采集信息,最終實現(xiàn)舵回路系統(tǒng)的故障辨識、定位以及估計。

2)半物理試驗與分析

采用半物理仿真系統(tǒng)驗證故障診斷結(jié)果如表4所示。

表4 半物理仿真平臺故障診斷效果Table 4 Fault diagnosis performance of semi-physical simulation platform

由表4可知,基于本文提出的LSTM-FCN故障診斷模型,在半物理平臺產(chǎn)生的飛行狀態(tài)數(shù)據(jù)上進行驗證,指標分數(shù)均在96%以上,相比數(shù)字仿真平臺結(jié)果有準確度的下降,其原因在于半物理平臺模擬了復雜的高階非線性系統(tǒng),其非線性環(huán)節(jié)存在誤差,且平臺間通信有延遲,存在采集噪聲,以上原因共同導致了算法精確度的下降。

5 結(jié) 論

隨著導彈作戰(zhàn)環(huán)境危險性以及作戰(zhàn)任務(wù)復雜性的提升,建立統(tǒng)一的智能模型來實現(xiàn)導彈故障辨識、定位與估計變得更加重要。本文針對導彈舵回路故障診斷問題,基于故障檢測結(jié)果,搭建LSTM自編碼器模型獲得導彈系統(tǒng)正常狀態(tài)的預測模型,通過計算模型輸出與實際值的殘差實現(xiàn)導彈飛行狀態(tài)數(shù)據(jù)故障特征的提取,在此基礎(chǔ)上考慮飛行狀態(tài)的時序特性,提出基于LSTM-FCN的故障診斷模型,保證了能夠有效利用殘差數(shù)據(jù)的時空特性。進一步地,采用SE模塊增強故障特征的有用權(quán)值信息,再由Softmax實現(xiàn)故障診斷,并最終設(shè)計了故障辨識、定位、估計的順序診斷模型。數(shù)字仿真以及半物理仿真平臺的驗證結(jié)果表明,該算法應用于導彈舵回路時能夠高效地實現(xiàn)系統(tǒng)中多類故障的檢測與故障定位,結(jié)果準確率高且實時性強,具有重要的參考價值和應用前景。